论文标题：Machine learning meets enzyme engineering: examples in the design of polyethylene terephthalate hydrolases

期刊：Frontiers of Chemical Science and Engineering

作者：Rohan Ali, Yifei Zhang

发表时间：15 Dec 2024

DOI：10.1007/s11705-024-2500-7

微信链接：点击此处阅读微信文章

全球每年生产的聚乙烯（PET）塑料超过8200万吨，其高度稳定的化学结构导致自然环境中难以降解，引发严重的生态污染。传统的机械回收和化学处理方法存在效率低、二次污染等问题，而生物酶解法因其绿色温和的特性被视为理想的替代方案。然而，天然PET水解酶对高结晶度塑料的降解效率低且热稳定性不足，制约了它的工业化应用。

北京化工大学张一飞教授团队在《化学科学与工程前沿》（英文）发表综述文章“Machine learning meets enzyme engineering: examples in the design of polyethylene terephthalate hydrolases”（机器学习赋能酶工程：聚对苯二甲酸乙二醇酯水解酶设计实例），系统总结了机器学习技术如何推动高效PET水解酶的开发，为塑料循环经济提供了新的解决方案。

文章指出，机器学习可通过整合酶序列、结构及动态数据，构建多维优化的策略。例如，基于3D卷积神经网络的MutCompute模型分析了超过1.9万蛋白质结构，筛选出可能提升活性的突变位点；Transformer语言模型结合进化能量计算出了优化的PET结合位点，并通过GRAPE策略叠加有益突变。此外，分子动力学模拟与随机森林模型联合，可预测热稳定性突变，而AlphaFold2与ProteinMPNN则突破了天然酶序列限制，实现了新酶的从头设计。

多项突破性成果彰显了机器学习的高效性。例如，基于MutCompute模型设计的FAST-PETase酶，在30–50 ℃下一周内几乎完全分解了51种未经处理的使用过的PET制品；基于Transformer模型与GRAPE策略开发的TurboPETase通过了工业级实验验证，在10小时内实现了300 g·L^–1 PET的完全降解，产物收率达77.3 gTPAeq·L^–1·h^–1，刷新了行业纪录。在热稳定性方面，24小时内，热稳定性优化变体LCCICCG_I6M的PET降解效率较原始酶提升了3.64倍。更引人注目的是，从头设计的Rs PETase 1酶，其序列长度仅为天然酶的70%，却展现出与天然酶相当的活性及更高的热稳定性，证明了计算设计的巨大潜力。

基于机器学习提高PET水解酶性能和稳定性的典型策略

研究表明，机器学习能够将原本耗时数月的定向进化实验缩短至数周，并且实现了超越自然进化极限的酶性能。尽管如此，这一领域仍然面临挑战，高质量数据匮乏、模型泛化能力不足等问题亟待解决。在将来，整合蛋白质动态信息、开发多任务一体化模型、构建标准化数据库将成为关键的突破口。随着计算工具与实验技术的深度融合，人工智能有望设计出可以完全降解高结晶度PET的“超强酶”，推动生物回收技术从实验室迈向工业化应用，为全球塑料污染治理提供可持续的解决方案。

引用信息

Rohan Ali, Yifei Zhang. Machine learning meets enzyme engineering: examples in the design of polyethylene terephthalate hydrolases. Front. Chem. Sci. Eng., 2024, 18(12): 149

本文来自

Special Issue—Catalysis for a sustainable future

扫描二维码 | 查看原文

原文链接：

https://journal.hep.com.cn/fcse/EN/10.1007/s11705-024-2500-7

《前沿》系列英文学术期刊

由教育部主管、高等教育出版社主办的《前沿》（Frontiers）系列英文学术期刊，于2006年正式创刊，以网络版和印刷版向全球发行。系列期刊包括基础科学、生命科学、工程技术和人文社会科学四个主题，是我国覆盖学科最广泛的英文学术期刊群，其中12种被SCI收录，其他也被A&HCI、Ei、MEDLINE或相应学科国际权威检索系统收录，具有一定的国际学术影响力。系列期刊采用在线优先出版方式，保证文章以最快速度发表。

中国学术前沿期刊网

http://journal.hep.com.cn